2023-07-28
当前，chatGPT、AI大模型是全球的热门话题，什么工作被AI取代、chatGPT不会取代你，但会用chatGPT的人会取代你，等等雷人的话语不一而足。那么chatGPT真的有那么厉害吗？
归根结底，是人在驾驭工具。历史上的多次科技革命，都是人驾驭的工具对人的不同部分进行了延伸。当今人类正处在新的科技革命浪潮中。计算机的发明，增强了人类的计算能力和记忆能力；而网络的出现，大大的扩展了人类知识的交流和传播；AI的出现，促进了人类利用数据的能力。那么计算机真的超越人类了吗？我们不妨退后一步，回首一下宇宙的运行规律，看看人类这个智能体的成长路线，一定会受益良多。
不论是茫茫宇宙，还是微小的粒子，其运行模式，有规律的运动不外乎两种，线性的膨胀模式和周期式的环形运转。当然，规律运动的组成中不排除混沌式的随机运动。
在无机世界，运动遵循的是受能量和力控制的。那么在生物世界，又是如何演化的呢？在变化和适应的过程中，体现的是把适应信息的保持和传承。达尔文的《生物进化论》揭示了生物界，通过变异，适者生存，适应者把自身的特征通过基因遗传的方式传给后代。
达尔文的《生物进化论》揭示了代际生物基于变异和遗传的适者生存的自然进化逻辑。那对于生命个体呢？不论是植物还是动物，都具有对环境的适应能力，比如植物的向光性，动物的躲避伤害的能力。具体我们看看人类自身是如何成长的呢？因为每一代人都可能面对不完全相同的环境，怎么办？尝试！就如麦肯锡咨询顾问芭芭拉·明托在《金字塔原理》中提出的SCQA模式，面对新情况——Situation，和基因里带来的反应或者有生以来的经验方法处理都会产生冲突——Complication，自然提出了问题——Question，那么如何解决这个问题呢？这里要对美国质量管理专家休哈特博士提出PDCA循环稍作修改，因为在PDCA循环中，从计划——Plan，然后是实践——Do，接下来是检查——Check，处理——Action则是作为一个循环的结束，当然多个循环放在一起看，就和鸡与蛋的问题一样，从哪里看是就不重要了，况且Plan都是针对相对熟悉的问题才可以做，多余全新的问题，规划几乎可以忽略。对于人类个体的一生，面对新情况请问题时，当然会借鉴已有的经验，同时非常重要的是DCAP，其实这就是深度学习中利用数据获取信息的方式。但人工智能中的深度学习，在训练环节，是认为提供了ground truth作为check的标准，通过求导、损失函数和反向传播机制作为Action。而chatGPT中，最欠缺的就是在训练完成后，它自身没有自己的“五官”，比如chatGPT可能回复人们比较粗鲁或者伤害对话者的话，但它无法体会到对话者的白眼或者愤怒，甚至是耳光。不能形成闭环的“智能体”的自我学习能力会受到极大的限制！
接下来，再看看，在人类已知的宇宙中，包括地球的各种植物和动物，还没有哪种智能生物能够超于人类，可以称霸地球，探索宇宙，为什么呢？体外信息的传承是关键！为什么这样说呢？前面说了，在人类个体的一生中，在面对新情况，遇到新问题时，首先可以依赖遗传；再就是自己进行尝试、判断、处理，以便再次遇到时进行规划；当然从他人获得处理的方法也很重要！如何想从他人获得信息，自然需要进行信息沟通，简单的实时沟通，在其他动物间也存在，但能够进行跨时空进行信息传承的，恐怕只有人类了。特别是，文字的发明，纸张的出现，再到无线电的发明，计算机和网络的使用，都极大的方便、提升信息传承可以跨越的时空和代际。不是吗？人类不需要重复发明轮子、火药、电报、火车和飞机，也不需要重复发明计算机。正式这种积累，让人类可以超越其他动物，通知地球，探索宇宙。
可以说，人类在众生物都有的基因遗传的基础上，发明了文字，在印刷术的助推下，借助内燃机、电力和核子能源，并在无线电、计算机、互联网的传输和算力的加持下，实现了生物维度遗传、地理广度知识经验的交流、历史时空发展成果的传承，一方面人类需要学习的内容得到了极大丰富，使人类站在了更高的起点上。
以上这些间接经验，对人的成长和发展具有重要意义，但间接经验要发挥作用，离不开直接经验——虽然直接经验不应顶完全正确。知与行，亲身体验和间接经验的辩证统一，决定了人类的直接经验的重用性。而人的直接经验，离不开人的行动和感官。比如，人生来会尝试接触各种物体，让视觉、听觉、触觉和重量等协调统一起来，当再次遇到需要判定一个东西是不是活的时，会尝试冲他喊、接触甚至打击，看看有没有反应，这只是个例子。看似简单的尝试和获取反馈，而这恰恰是人类和其他动物基本的学习闭环。当然，人类的胜出是由语言、文字等间接经验的学习决定的。
有了以上的认识，再来看今天的AI。在训练过程中，是有闭环的，这个闭环是ground truth提供样本和真实结果，由参数待确定的损失函数的计算结果与真是结果进行对比，通过对比结果，根据神经网络的反向传播，借助自动微分修改损失函数的参数，达到学习的目的。但系统一旦完成训练，AI很难通过自我进行持续改进。比如一个未见过的果实是否可以吃，对于人类可以通过小口品尝及滋味、身体反应进行再学习，而AI欠缺的是类似人类的触觉、感觉系统及内在的各大生物系统。
所以，AI适于作为人类的部分感官的延伸，可以进行间接经验的“阅读”和“学习”，对学习的结果，从人的角度看是否正确，还是需要人类进行最终的判断，所以AI不可能具有人类智能。
当然，AI本质上是数据处理的结果。因为计算机的出现，一定程度上改变了人类不同个体学习处理不同问题的效率有了统一的比较基准——数字化。计算机底层处理都是0和1，犹如当年秦始皇统一天下，书同文、车同轨、行同伦一样，统一了，就可以进行比较。有了比较，就有了优劣，进而可以进行选择。解决一类问题的高效——当然这里涉及到高效的衡量，在计算机领域就是算法的衡量——的方法是什么？这些算法有何共同特征，如何发现的？算法本身特征及其发现过程的所使用的方法，都属于计算思维的内容。计算思维本质是高效解决问题的思维方式，其源于数据，离不开数学。比如：递归思维、转化思维等都是计算思维。
处理的元操作则由顺序、条件和循环组成，这也正是世界运行的逻辑。计算机和人类解决问题的元步骤也是如此。不同的人类进行学习的输入包括遗传、直接经验和间接经验，而且可以根据人的标准，对结果进行衡量；而计算机只具有“遗传”和间接经验，而缺乏直接经验，这个直接经验恰恰是间接经验发挥作用的不可或缺的一环。
参考资料：
1，SCQA模型（归纳总结），https://www.jianshu.com/p/b946e06c9fa9
2，PDCA模型（归纳总结），https://www.jianshu.com/p/14fede2b6d17
3，李忠秋，《结构思考力》，https://zhuanlan.zhihu.com/p/577610241